基于声誉的分布式过滤在受到随机非线性和网络诱导量化影响的传感器网络中的应用

《IEEE Transactions on Network Science and Engineering》：Reputation-Based Distributed Filtering Over Sensor Networks Subject to Stochastic Nonlinearity and Network-Induced Quantization

传感器网络中存在传感器故障或恶意攻击导致数据不准确的问题，提出基于声誉的分布式滤波（RBDF）方法，通过递归算法计算误差协方差上界并优化滤波增益，保证误差动态有界，并通过仿真验证有效性。

　　

摘要：

在传感器网络中，由于不可避免的传感器故障、故障或恶意攻击，传感器可能会传输错误、不准确或具有误导性的数据，从而降低整个系统的性能。为了解决这个问题，一种有效的方法是根据传感器的可信度、历史性能或可靠性为其分配声誉分数。本文考虑了在具有网络诱导量化的传感器网络中的一类随机非线性系统的基于声誉的分布式过滤（RBDF）问题。采用了一种声誉机制来减轻由噪声、故障或恶意传感器引起的不利影响。具体来说，每个传感器会对其从邻居那里接收到的数据分配声誉值，确保异常数据被赋予较小的声誉值，甚至可能被丢弃。本文首次提出了一种递归RBDF算法，通过求解两个矩阵方程来推导过滤误差协方差的上限（UBFEC）。随后，通过最小化每一步的UBFEC的迹来确定滤波器增益。此外，还提出了一个充分条件以确保过滤误差动态的均匀有界性。最后，提供了一个仿真示例来验证所开发的RBDF算法的可行性和有效性。

引言

传感器网络（SNs）由大量低成本传感器节点组成，这些节点分散布置在一个区域内，并具备通信和计算能力。近年来，SNs受到了广泛关注，因为它们能够支持各种关键应用，包括目标跟踪、监控、交通和天气预报[48]。动态系统的分析和合成包括但不限于控制[20]、[21]、[44]、同步[9]和过滤[2]、[4]、[5]、[52]。特别是，在网络系统的框架内，过滤问题已经被广泛研究，因为它在各个领域都有广泛的应用，如工业监控、集成导航和发电。具体来说，已经在[30]中解决了SNs上的非线性时变系统的分布式融合过滤问题，其中采用了动态事件触发机制来调节数据传输并减轻通信负担。此外，在[13]和[53]中研究了在SNs上的离散时间非线性随机系统的有限时间过滤问题，这些系统受到不同拓扑结构和双通道恶意攻击的影响。